Classification of Hyperspectral Remote Sensing Images Using Hybrid 3D-2D CNN Architecture

Basit Öğe Kaydı
dc.contributor.authorFırat, Hüseyin
dc.contributor.authorUçan, Murat
dc.contributor.authorHanbay, Davut
dc.date.accessioned2025-03-08T18:25:59Z
dc.date.available2025-03-08T18:25:59Z
dc.date.issued2021
dc.departmentDicle Üniversitesi
dc.description.abstractHyperspectral remote sensing images (HRSI) are image cubes with two spatial and one spectral dimensions. Convolutional neural network (CNN) is one of the most effective deep learning methods for extracting spatial-spectral feature information in HRSI classification. Traditional CNN-based methods usually use 2D CNN for feature extraction. Because 2D CNN captures only spatial-dimensional features, it cannot extract good feature maps from spectral dimensions. 3D CNN can simultaneously extract spatial-spectral features in HRSI. However, 3D CNN is computationally complex. In this study, a hybrid method consisting of 3D-2D CNN combination is proposed. While 3D CNN extracts common spatial-spectral features, more spatial features are learned with 2D CNN used after 3D CNN. In addition, the proposed hybrid method reduces the computational complexity. Mish activation function is used to increase the classification performance of the proposed method. As a result of the applications performed with two commonly used datasets, it is seen that the proposed method has better classification performance.
dc.description.abstractHiperspektral uzaktan algılama görüntüleri (HUAG) iki uzamsal ve bir spektral boyuta sahip görüntü küpleridir. Evrişimsel sinir ağı (ESA), HUAG sınıflandırmada uzamsal-spektral özellik bilgilerinin çıkarılmasını sağlayan en etkili derin öğrenme yöntemlerinden biridir. Geleneksel ESA tabanlı yöntemler genellikle özellik çıkarımı için 2B ESA’yı kullanmaktadır. 2B ESA yalnızca uzamsal boyutttaki özellikleri yakaladığından dolayı tek başına spektral boyutlardan iyi ayırt edici özellik haritaları çıkaramaz. 3B ESA HUAG’deki uzamsal-spektral özellikleri eş zamanlı olarak çıkarabilmektedir. Ancak 3B ESA hesaplama açısından karmaşıktır. Bu çalışmada 3B-2B ESA birleşiminden oluşan hibrid bir yöntem önerilmiştir. 3B ESA ortak uzamsal-spektral özellikleri çıkarırken, 3B ESA’dan sonra kullanılan 2B ESA ile daha fazla uzamsal özellikler öğrenilir. Ayrıca önerilen hibrid yöntem hesaplama karmaşıklığını da azaltmaktadır. Önerilen yöntemin sınıflandırma performansını arttırmak için Mish aktivasyon fonksiyonu kullanılmaktadır. Yaygın olarak kullanılan iki veriseti ile gerçekleştirilen uygulamalar sonucunda önerilen yöntemin daha iyi sınıflandırma performansına sahip olduğu görülmektedir.
dc.identifier.doi10.53070/bbd.989159
dc.identifier.endpage140
dc.identifier.issn2548-1304
dc.identifier.issn2548-1304
dc.identifier.issueSpecial
dc.identifier.startpage132
dc.identifier.urihttps://doi.org/10.53070/bbd.989159
dc.identifier.urihttps://hdl.handle.net/11468/30519
dc.identifier.volumeIDAP-2021 : 5th International Artificial Intelligence and Data Processing symposium
dc.language.isotr
dc.publisherAli KARCI
dc.relation.ispartofComputer Science
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_21250205
dc.subjectRemote Sensing
dc.subjectHyperspectral Image Classification
dc.subjectDeep Learning
dc.subjectUzaktan Algılama
dc.subjectHiperspektral Görüntü Sınıflandırma
dc.subjectDerin öğrenme
dc.titleClassification of Hyperspectral Remote Sensing Images Using Hybrid 3D-2D CNN Architecture
dc.title.alternativeHibrid 3B-2B ESA Mimarisi Kullanılarak Hiperspektral Uzaktan Algılama Görüntülerinin Sınıflandırılması
dc.typeArticle

Dosyalar

Koleksiyon

DergiPark Kayıtları Koleksiyonu